文献类型：期刊文章

作　　者：樊湘鹏[1] 周建平[1,2] 许燕[1,2] 李开敬[1] 温德圣[1]

FAN Xiangpeng;ZHOU Jianping;XU Yan;LI Kaijing;WEN Desheng(School of Mechanical Engineering,Xinjiang University,Urumqi 830047,China;Agriculture and Animal Husbandry Robot and Intelligent Equipment Engineering Research Center of Xinjiang Uygur Autonomous Region,Urumqi 830047,China)

机构地区：[1]新疆大学机械工程学院,乌鲁木齐830047 [2]新疆维吾尔自治区农牧机器人及智能装备工程研究中心,乌鲁木齐830047

出　　处：《农业机械学报》

基　　金：新疆维吾尔自治区研究生科研创新项目(XJ2019G033);国家级大学生创新创业训练项目(201810755079S)。

年　　份：2021

卷　　号：52

期　　号：5

起止页码：26-34

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4 694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、Res Net50和Res Net101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261 s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385 s,说明本文方法具有一定的适用性和可推广性。

关 键 词：棉田杂草 识别与定位  优化Faster R-CNN  数据增强  特征提取网络  

分 类 号：TP274.2] TP391.4]